研究背景

联想记忆是能够对残缺、失真输入完成模式补全，还原完整记忆图样的信息处理范式，因在人工智能、类脑计算与神经科学领域具备重要应用潜力而成为研究热点。霍普菲尔德神经网络作为经典物理驱动型联想记忆模型，依托伊辛自旋与赫布学习规则，可实现多模式存储与记忆读取。然而该模型存在显著的存储容量瓶颈：当存储模式数量超过赫布学习理论上限时，系统会转变为平衡自旋玻璃态，能量景观变得高度崎岖，涌现指数级伪模式。大量伪模式会形成众多无效局部极小点，受平衡态梅特罗波利斯‑黑斯廷斯动力学支配时，微小扰动便会引发记忆跳转失效，自旋玻璃体系长期被认为无法用于可靠联想记忆，极大限制了网络的记忆存储上限。

研究内容

针对上述问题，斯坦福大学Benjamin L. Lev团队在Science期刊上发表了题为“High-capacity associative memory in a quantum-optical spin glass”的最新论文。相关理论研究提出引入受驱耗散型量子光学非平衡动力学，利用确定性最速下降动力学重构弛豫行为，扩大伪模式的吸引域，将原本无效的伪模式转化为可用记忆，有望挖掘自旋玻璃体系指数级的存储潜力。研究团队基于原子‑光子体系构建实验平台，搭建受驱耗散自旋玻璃系统开展实验验证。

实验结果表明，在 16 自旋网络中该体系联想记忆存储容量最高可达传统赫布学习霍普菲尔德模型的 7 倍；原子运动动态调制网络连接，模拟短时突触可塑性进一步提升存储能力，在量子光学平台实现了类学习行为的物理雏形，为突破类脑存储容量限制提供了全新物理实现路径。

图文导读

（1）实验首次在原子‑光子构成的受驱耗散自旋玻璃体系中观测到高存储容量的联想记忆现象。传统平衡动力学下自旋玻璃产生的大量伪模式通常被视作干扰，本工作借助量子光学非平衡最速下降动力学，将伪模式转化为可靠可用的记忆吸引子，打破自旋玻璃不适用于联想记忆的固有认知，证实玻璃态能量景观中大量局部极小点可用于记忆存储，无需构造复杂多自旋相互作用。

（2）实验基于 16 自旋网络开展定量测试，对比赫布学习规则下传统霍普菲尔德模型性能，该量子光学系统的记忆存储容量最高实现 7 倍提升。非平衡受驱耗散动力学改变自旋弛豫规则，降低系统熵产，扩大各记忆模式的吸引域，提升记忆读取保真度，克服平衡梅特罗波利斯‑黑斯廷斯动力学易发生记忆跳转失效的缺陷。

（3）实验利用原子自身运动动态调控网络自旋耦合连接关系，模拟生物神经网络的短时突触可塑性效应，进一步优化系统存储性能。该效应在量子光学硬件上复现了类突触调节的物理行为，实现量子光学系统中类学习行为的物理雏形。

（4）该体系联想记忆吸引子并非预先编程设定，而是非平衡动力学下玻璃能量景观自然生成；同时可通过学习规则建立映射关系，保留霍普菲尔德网络可编程存储目标图样的能力，为物理类脑硬件开辟新实现思路。

图1 | n=16网络装置示意图及记忆调用过程。

图2 | 记忆调用保真度。

图3 | 记忆容量和平均盆地体积，随n的变化。

图4 | 原子系综位置的极化子响应。

结论展望

该研究打破了自旋玻璃只能带来记忆干扰的传统认知，揭示非平衡动力学可以重构系统能量景观的功能属性，把原本有害的伪模式转化为有效记忆资源，为突破类脑联想记忆的存储上限提供了全新物理思路。它表明不必一味规避阻挫与玻璃态，合理利用受驱耗散非平衡机制，就能挖掘玻璃体系指数级的局部极小点资源，无需设计复杂多自旋相互作用即可大幅提升存储能力。研究也印证，硬件层面动态改变耦合连接，复现生物短时突触可塑性，能够进一步优化记忆性能，证明量子光学硬件有潜力模拟部分神经学习行为。同时该工作区分了平衡与非平衡条件下吸引子的功能差异，提示类脑硬件设计不能局限于平衡态物理框架，主动利用非平衡弛豫动力学，可为下一代物理神经网络、原子‑光子类脑计算器件的开发提供重要理论与实验参照。

该工作发表在Science上

文章链接（点击“阅读原文”）：https://doi.org/10.1126/science.aec3917